yayuk anggraini

8/11/2019 YAYUK ANGGRAINI

1/50

PENGENALAN TULISAN TANGAN HURUF JAWI (ARAB MELAYU)

BERBENTUK KATA MENGGUNAKAN JARINGAN SARAF TIRUAN

SKRIPSI

YAYUK ANGGRAINI

091402009

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

2014


2/50

ABSTRAK

Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer.

Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya

karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan

informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi

pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan

huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan

tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf

jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)

menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan

nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode

ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran

masing-masing zona adalah 10x10 piksel. Metode zoningmenghitung jumlah piksel

aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki

jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap

baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur

tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik.

Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda

digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan

tingkat pengenalan menggunakan metodezoningfitur ekstraksi ini adalah 89.05%.

Kata Kuncihuruf tulisan tangan, jaringan saraf tiruan, propagasi balik,zoning.


3/50

Recognation on Jawi Letter Handwritting (Malayan Arab)

By Words Using Artificial Neural Network

ABSTRACT

Technology nowadays had been developed rapidly, escpecially on computing. This

issue is caused by computing is better than any other computations because it could

memorizing the data, making logical decision, managing data and informations.

Handwritting recognation is a process to recognize human handwritting by computer.

In this research, the system made to recognize jawi letters (malayan arab) which the

input constituted as scanned jawi letters handwritting, the method is using artificial

neural network. Zoning method used to increase feature value on back propagation

network at handwritting recognation. This method devided the sample to devide into

30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts

the amount of the active pixel (black) for each zone and process the comparison about

the zone that have the most active pixel. Beside that it also count the average for the

zone value for each row and colomn. By this extraction featured, gains 510 feature

values. Feature values becomes input to classify using back propagation network.

Eighty four of data samples to be used as trainning and 21 of deifferent data samples

to be used to testing recognation. Along with the testing, resulting recognation level of

this zoning feature extraction is 89.05%.

Keyword-- letter handwritting, artificial neural network, back propagation, zoning.


4/50

DAFTAR ISI

PERSETUJUAN ............................................................................................................ i

PERNYATAAN ........................................................................................................... ii

PENGHARGAAN ....................................................................................................... iii

ABSTRAK................................................................................................................... iv

ABSTRACT .................................................................................................................. v

DAFTAR ISI ................................................................................................................ vi

DAFTAR TABEL ......................................................................................................viiiDAFTAR GAMBAR................................................................................................... ix

BAB 1 PENDAHULUAN ............................................................................................ 1

1.1. Latar Belakang ............................................................................................ 1

1.2. Rumusan Masalah ....................................................................................... 2

1.3. Batasan Masalahs ........................................................................................ 2

1.4. Tujuan Penelitian ........................................................................................ 3

1.5. Manfaat Penelitian 3

1.6. Metode Penelitian ....................................................................................... 3

1.7. Sistematika Penulisan ................................................................................. 4

BAB 2 TINJAUAN PUSTAKA ................................................................................... 6

2.1. Pra-Pengenalan Pola ................................................................................... 6

2.1.1. Citra Digital 6

2.2. Pengolahan Citra 7

a. Pembentukan Matriks Biner 7b. Normalisasi 7

c. Thinning .................................................................................................. 8

2.3. Ekstraksi Fitur............................................................................................. 8

2.3.1. Zoning 9

2.4. Jaringan Saraf Tiruan .................................................................................. 9

2.5. Algoritma Propagasi Balik.......................................................................... 9

1. Algoritma Pelatihan 11


5/50

2. Algoritma Aplikasi 12

2.5.1. Fungsi Aktifasi 13

2.5.2. Inisialisasi Bobot dan Bias 14

1. Inisialisasi Acak 14

2. Inisialisasi Nguyen Windrow 14

2.5.3. Pengupdate Bobot dengan Momentum 15

BAB 3 ANALISIS DAN PERANCANGAN ............................................................. 17

3.1. Analisis data Sistem 17

3.2. Pra-Pengolahan Citra 17

a. Pembentukan Matrik Biner 18

b. Normalisasi 19

c. Thinning ................................................................................................ 20

3.3. Ekstraksi Fitur........................................................................................... 21

3.4. Metode Ekstraksi Zoning 22

3.5. Tahap Setelah Ekstraksi Fitur................................................................... 24

3.6. Perancangan Jaringan Propagasi Balik 24

3.6.1. Proses Pelatihan 26

3.6.2. Proses Pengujian ............................................................................. 27

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ........................................... 28

4.1. Implementasi ............................................................................................. 28

4.2. Spesifikasi Perangkat Keras dan Perangkat Keras .................................... 29

4.3. Pengujian . 29

4.4. Persiapan Sistem Jaringan Saraf Tiruan 29

4.5. Hasil Pelatihan 30

4.6. Hasil Pelatihan Jaringan Saraf Tiruan 31

4.7. Hasil Pengujian Jaringan Saraf Tiruan..................................................... 35

BAB 5 KESIMPULAN DAN SARAN ...................................................................... 38

5.1. Kesimpulan .............................................................................................. 38

5.2. Saran ........................................................................................................ 38

DAFTAR PUSTAKA ................................................................................................. 39

LAMPIRAN A 41


6/50

DAFTAR TABEL

Hal

Tabel 1. Vektor Output dan Target Keluaran Jaringan 26

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik 31

Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik 36


7/50

DAFTAR GAMBAR

Hal

Gambar 2.1 Jaringan Propagasi Balik dengan Satu Buah Lapisan Tersembunyi 10

Gambar 2.2 Fungsi Sigmoid Biner dengan Rentang (0,1) 14

Gambar 3.1 Tahapan Pra-Pengolahan Citra 18

Gambar 3.2 Flowchart Matriks Biner 19

Gambar 3.3 Citra Hasil Normalisasi 20

Gambar 3.4 Citra Hasil Thinning 20Gambar 3.5 Diagram Ekstraksi Fitur 21

Gambar 3.6 Flowchart Ekstraksi Fitur Zoning 23

Gambar 3.7 Hasil Zoning 24

Gambar 4.1 Input Citra Pengujian 30

Gambar 4.2 Output Citra Pengujian 30

Gambar 4.3 Hasil Citra Algoritma Zoning 30


8/50

ABSTRAK

Perkembangan teknologi dimasa sekarang begitu pesat, terutama dibidang komputer.

Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat hitung lainnya

karena mampu mengingat data, mengambil keputusan yang logis, mengelola data dan

informasi dan sebagainya. Salah satu yang sedang popular saat ini adalah teknologi

pengenalan huruf. Pengenalan huruf tangan adalah proses untuk mengenali tulisan

huruf seseorang oleh komputer. Penelitian ini adalah membuat sistem pengenalan

tulisan tangan berbentuk huruf jawi (arab melayu) yang inputnya berupa tulisan huruf

jawi (arab melayu) dan di scan, dikenali dengan huruf jawi (arab melayu)

menggunakan jaringan saraf tiruan. Metode zoning digunakan untuk meningkatkan

nilai fitur pada jaringan propagasi balik pada pengenalan huruf tulisan tangan. Metode

ini membagi data sampel di bagi menjadi 30x17 zona, yaitu 510 zona dengan ukuran

masing-masing zona adalah 10x10 piksel. Metode zoningmenghitung jumlah piksel

aktif (hitam) setiap zona dan melakukan perbandingan terhadap zona yang memiliki

jumlah piksel aktif paling banyak. Selain itu juga dihitung rata-rata nilai zona setiap

baris dan kolom. Dari ekstraksi fitur tersebut didapatkan 510 nilai fitu. Nilai fitur

tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik.

Sebanyak 84 data sampel digunakan untuk pelatihan dan 21 data sampel berbeda

digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan

tingkat pengenalan menggunakan metodezoningfitur ekstraksi ini adalah 89.05%.

Kata Kuncihuruf tulisan tangan, jaringan saraf tiruan, propagasi balik,zoning.


9/50

Recognation on Jawi Letter Handwritting (Malayan Arab)

By Words Using Artificial Neural Network

ABSTRACT

Technology nowadays had been developed rapidly, escpecially on computing. This

issue is caused by computing is better than any other computations because it could

memorizing the data, making logical decision, managing data and informations.

Handwritting recognation is a process to recognize human handwritting by computer.

In this research, the system made to recognize jawi letters (malayan arab) which the

input constituted as scanned jawi letters handwritting, the method is using artificial

neural network. Zoning method used to increase feature value on back propagation

network at handwritting recognation. This method devided the sample to devide into

30x17 zone, is 510 zones with each zone with 10x10 pixel. The zoning method counts

the amount of the active pixel (black) for each zone and process the comparison about

the zone that have the most active pixel. Beside that it also count the average for the

zone value for each row and colomn. By this extraction featured, gains 510 feature

values. Feature values becomes input to classify using back propagation network.

Eighty four of data samples to be used as trainning and 21 of deifferent data samples

to be used to testing recognation. Along with the testing, resulting recognation level of

this zoning feature extraction is 89.05%.

Keyword-- letter handwritting, artificial neural network, back propagation, zoning.


10/50

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi dimasa sekarang begitu pesat, terutama di bidang komputer.

Pemanfaatan komputer semakin digunakan untuk mempermudah pekerjaan, karena

setiap informasi yang dihasilkan akan selalu ditampilkan kedalam bentuk informasi

yang akurat dan spesifik, baik itu dibidang pendidikan, kesehatan, ekonomi dan

sebagainya. Hal ini disebabkan komputer lebih unggul dibandingkan dengan alat

hitung lainnya karena mampu mengingat data, mengambil keputusan yang logis,

mengelola data dan informasi dan sebagainya. Salah satunya yang sedang popular saat

ini adalah teknologi pengenalan huruf. Pengenalan huruf tangan adalah proses untuk

mengenali tulisan huruf seseorang oleh komputer.

Pengenalan tulisan tangan secara luas dianggap sebagai salah satu masalah

yang paling sulit dalam bidang pengenalan pola karena besarnya variasi yang hadir

dalam pola masukan (Plamondon & Srihari, 2000). Penelitian mengenai penulisan

tangan banyak dilakukan salah satunya adalah Pengenalan Tulisan Tangan Latin

Bersambung Menggunakan Jaringan Saraf Tiruan Propagasi Balik (Khairunnisa,2012).

Tahapan awal untuk pengenalan tulisan tangan adalah prapengolahan citra, dan

fitur ekstraksi. Beberapa metode ekstraksi yang dapat digunakan adalah model

deformable, profil kontur,zoning, momen zernike, dekriptor fourier dan gabor.

Pada penelitian ini penulis mengambil fitur ekstraksi dengan metode zoning.

Untuk setiap data sampel yang telah melalui proses prapengolahan citra akan

dilakukan ekstraksi fitur. Ekstrak sidilakukan menggunakan metode zoning.


11/50

Jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik

mirip dengan jaringan saraf manusia. Jaringan saraf tiruan telah banyak digunakan

dalam bidang pengenalan pola (pattern rcognition). salah satu implementasinya

adalah pengenalan karakter. Metode propagasi balik merupakan metode yang sangat

baik dalam menangani masalah pengenalan pola-pola kompleks, metode ini

merupakan metode jaringan saraf tiruan yang populer (Puspitaningrum, 2006).

Permasalahan yang muncul pada proses pengenalan tulisan tangan adalah

bagaimana sebuah teknik pengenalan dapat mengenali berbagai tulisan tangan dengan

ukuran, ketebalan yang berbeda, posisi kemiringan citra tulisan pada saat pengambilan

citra tulisan tangan tersebut melalui alat camera atau scanner. Dari permasalahan

tersebut dapat diambil satu permasalahan utama yaitu bagaimana tulisan tangan dapat

dikenali sebagai kata yang benar, bagaimana mekanisme algoritma yang diterapkan

sehingga mekanisme ukuran dan bentuk pola yang berbeda, pola tersebut dapat

dikenali sebagai kata yang sama dan faktor apa saja yang dapat mempengaruhi hasil

pengenalannya.

Pada Tugas Akhir ini, akan dibahas pengenalan tulisan tangan yang berbentuk

huruf jawi (arab melayu) dalam bentuk kata. Pengenalan dilakukan dengan jaringansaraf tiruan menggunakan metode propagasi balik.

1.2 Rumusan Masalah

Berdasarkana latar belakang diatas dapat diambil satu permasalahan yaitu :

Bagaimana komputer dapat mengenali karakter dari tulisan tangan yang berbentuk

huruf jawi (arab melayu)

1.3 Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah:

1. Citra gambar berupa tulisan tangan yang berbentuk huruf jawi (arab

melayu) dalam bentuk kata.

2.

Diambil dari 12 tulisan tangan orang, dengan setiap orang menuliskan 7

sampel kata yang berbeda.


12/50

3. Metode yang dipakai adalah jaringan saraf tiruan

4. Arsitektur jaringan saraf tiruan yang dipakai adalah jaringan saraf tiruan

propagasi balik.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah membuat sistem pengenalan tulisan tangan berbentuk

huruf jawi (arab melayu) yang inputnya berupa tulisan huruf jawi dan discan, dikenali

dengan huruf jawi menggunakan jaringan saraf tiruan.

1.5

Manfaat Penelitian

Manfaat dari penelitian ini adalah:

1. Agar dapat dijadikan salah satu alternative lain dalam pengenalan tulisan

tangan yang berbentuk hufur jawi.

2. Mengetahui kemampuan metode jaringan saraf tiruan propagasi balik untuk

pengenalan tulisan tangan yang berbentuk huruf jawi .

3.

Menambah pemahaman penulis tentang jaringan saraf tiruan propagasi balik

untuk pengenalan tulisan tangan yang berbentuk huruf jawi.

1.6 Metode Penelitian

Tahapan-tahapan yang akan dilakukan pada pelaksanaan skripsi ini adalah sebagai

berikut:

1. Studi Literatur

Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi baikdari buku, artikel, paper, jurnal, makalah, maupun situs-situs internet. Studi

literatur yang dilakukan terkait dengan pengenalan tulisan tangan.

2. Analisis Permasalahan

Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk

mengetahui dan mendapatkan pemahaman mengenai jaringan saraf tiruan

untuk menyelesaikan masalah pengenalan tulisan tangan.


13/50

3. Perancangan Sistem

Pada tahap ini dilakukan perancangan arsitektur, pengumpulan data pelatihan,

pemilihan lingkungan pengembangan dan perancangan antarmuka. Proses

perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah

didapatkan.

4. Implementasi Sistem

Pada tahap ini dilakukan proses implementasi pengkodean program dalam

aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang

sesuai dengan analisis dan perancangan yang sudah dilakukan. Pelatihan

jaringan, verifikasi dan validasi.

5. Pengujian

Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem

sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan

program yang dibuat berjalan seperti yang diharapkan.

6. Dokumentasi

Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan

analisis yang diperoleh.

7. Penyusunan Laporan

Pada tahap ini dilakukan dokumentasi hasil analisis dan implementasi dari

jaringan saraf tiruan propagasi balik.

1.7 Sistematika Penulisan

Penulisan skripsi ini menggunakan sistematika penulisan yang membagi pembahasan

skrispi dalam lima bagian utama, yang terdiri atas:


14/50

Bab I Pendahuluan

Pada bab ini merupakan pendahuluan yang berisi latar belakang, rumusan masalah,

tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan

skripsi.

Bab II Tinjauan Pustaka

Pada bab ini membahas mengenai teori-teori yang digunakan untuk memahami

permasalahan yang berkaitan dengan pengenalan tulisan tangan yaitu

pengolahan citra, ektraksi fitur dan jaringan saraf tiruan.

Bab III Analisis dan Perancangan Sistem

Pada bab ini berisikan analisis mengenai metode yang digunakan untuk

menyelesaikan masalah dan perancangan dari sistem yang dibangun.

Bab IV Implementasi dan Pengujian Sistem

Pada bab ini dibahas mengenai spesifikasi kebutuhan perangkat keras

(hardware) dan perangkat lunak (software) dari sistem. Kemudian terdapat

cara kerja dari sistem dan menampilkan hasil dari pengujian sistem ini.

Bab V Kesimpulan dan Saran

Pada bab ini dibuat mengenai rangkuman dari hasil analisis dan implementasi

kerja sistem pada bagian sebelumnya, dan pada bagian ini terdapat saran yang

diberikan untuk pengembangan sistem selanjutnya.


15/50

BAB 2

TINJAUAN PUSTAKA

Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk

mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan

pola, prapengolahan citra, jaringan saraf tiruan propagasi balik dan beberapa sub

pokok pembahasan lainnya yang menjadi landasan teori dalam penulisan skripsi ini.

2.1. Pra-Pengolahan Citra

Citra disebut sebagai gambaran dari objek yang telah mengalami perubahan dalam

pengolahan

2.1.1. Citra Digital

Citra digital didefenisikan sebagai representasi diskrit dari data spasial (tata letak) dan

intensitas (warna) informasi (Solomon & Breckon, 2011). Citra digital dapat diproses

secara langsung oleh komputer.

Ada banyak cara untuk menyimpan citra digital kedalam memori. Seperti:

1. Citra biner hanya memiliki 2 warna, yaitu warna hitam dan warna putih. Satu

piksel membutuhkan satu bit memori untuk menyimpan kedua warna ini yaitu

hitam dan putih. piksel-piksel objek bernilai 1 yaitu berwarna hitam dan

piksel-piksel latar belakang bernilai 0 yaitu berwarna putih.


16/50

2. Citra keabuan adalah citra yang setiap pikselnya mengandung satu layer di

mana nilai intensitasnya berada pada interval 0 (hitam) 255 (putih).

Untukmenghitung citragrayscale(keabuan) digunakan rumus:

dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan

mengatur warna R (merah), G (hijau), B (biru) yang ditunjukkan oleh nilai parameter

, dan . Secara umum nilai , dan adalah 0.33. Nilai yang lain juga dapat

diberikan untuk ketiga parameter tersbut asalkan total keseluruhannya adalah 1 (Putra,

2009).

3.

Citra warna adalah setiap piksel pada citra warna yang merupakan kombinasi

dari tiga warna dasar RGB (Red Green Blue). Setiap warna dasar

menggunakan penyimpanan 8 bit = 1 byte yang berarti setiap warna

mempunyai tingkatan sebanyak 255 warna.

2.2. Pengolahan Citra

Tujuan dari pengolahan citra adalah untuk mendapatkan informasi dari citra dan

menghasilkan citra yang diinginkan. Terlebih dahulu citra harus diolah sebelum

masuk ke proses jaringan saraf tiruan

a. Pembentukan Matriks Biner (Binarization)

Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabun

(grayscale), atau dengan kata lain metode ini mengonversi citra gray-levelke

citra bilevel(binary image). Pada tahap ini setiap nilai pixel RGB akan diambil

nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan kurang dari

nilai thresholdyang dihasilkan maka nilai pixel tersebut diubah menjadi warna

hitam, sebaliknya jika lebih besar dari nilai konstan maka akan diubah menjadi

warna putih (Khairunnisa, 2012).

b. Normalisasi

Normalisasi adalah proses mengubah ukuran citra, baik menambah atau

mengurangi, menjadi ukuran yang ditentukan tanpa menghilangkan informasi

penting dari citra tersebut (Sharma, dkk, 2012). Dengan adanya proses

normalisasi maka ukuran semua citra yang akan diproses menjadi seragam.


17/50

c. Thinning

Thinningadalah proses pengurangan data yang mengikis (erode) sebuah objek

hingga menjadi ukuran 1 piksel dan menghasilkan kerangka (skeleton) dari

objek tersebut. Objek seperti huruf atau silhouettes dapat lebih mudah dikenali

dengan melihat kepada kerangkanya saja (Phillips, 2000). Pada penelitian ini

digunakan algoritma thinning Zhang-Suen.

Algoritma ini untuk citra biner, dimana piksel backgroundcitra bernilai

0, dan piksel foreground (region) bernilai 1. Algoritma ini cocok untuk

aplikasi OCR (Optical Character Recognition), yang digunakan untuk bentuk

yang diperpanjang (elongated). Algoritma ini terdiri dari beberapa

penelusuran, dimana setiap penelusurannya terdiri dari 2 langkah dasar yang

diaplikasikan terhadap titik yang pikselnya bernilai 1, dan memiliki paling

sedikit 1 piksel dari 8-tetangganya yang bernilai 0.

2.3. Ekstraksi Fitur (Feature Extraction)

Feature extractionadalah proses pengukuran terhadap data yang telah dinormalisasi

untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk

mengenali unit masukan dengan unit target keluaran dan memudahkan

pengklasifikasian karena nilai ini mudah untuk dibedakan (Pradeep, dkk, 2011).

Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga

bisa menggambarkan karakteristik objek yang dipantau (Putra, 2009). Contoh dari

fitur level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau

keduanya. Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah

berat. Fitur bisa diperoleh dengan mengaplikasikan algoritma pencari fitur pada data

masukan. Fitur dapat dinyatakan dengan variabel kontinu, diskret atau diskret-biner.

Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu (Putra,

2012).

Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki

tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa

menghilangkan informasi penting (Putra, 2009).


18/50

2.3.1. Zoning

Zoning adalah salah satu ekstraksi fitur yang paling popular dan sederhana untuk

diimplementasikan (Sharma, dkk, 2012). Sistem optical character recognition (OCR)komersil yang dikembangkan oleh CALERA menggunakan metode zoningpada citra

biner (Bosker, 1992). Setiap citra dibagi menjadi NxM zona dan dari setiap zona

tersebut dihitung nilai fitur sehingga didapatkan fitur dengan panjang NxM. Salah satu

cara menghitung nilai fitur setiap zona adalah dengan menghitung jumlah piksel hitam

setiap zona dan membaginya dengan jumlah piksel hitam terbanyak yang terdapat

pada salah satu zona (Putra, 2012).

2.4. Jaringan Saraf Tiruan

Jaringan Saraf Tiruan adalah jaringan komputasional yang mensimulasikan jaringan

sel saraf (neuron) dari pusat sistem saraf makhluk hidup (manusia atau hewan)

(Graupe, 2007). Jaringan saraf tiruan pertama kali didesain oleh Warren Mc-Culloh

dan Walter Pitts pada tahun 1943.Mc Cullah-Pitts menemukan bahwa dengan

mengkombinasikan banyak neuron sederhana sehingga menjadi sebuah sistem sarafmerupakan peningkatan tenaga komputasional.

Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf

biologi (Puspitaningrum, 2006):

1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron).

2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.

3. Setiap link koneksi memiliki bobot terasosiasi.

4.

Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan (jumlah

sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal output.

2.5. Algoritma Propagasi Balik

Algoritma propagasi balik (Back Propagation) pertama dikembangkan pada tahun

1986 oleh Rumelhart, Hinton dan Williams untuk menentukan bobot dan digunakan

untuk pelatihan perceptron multi lapis (Graupe, 2007). Metode propagasi balik


19/50


20/50

2. Algoritma aplikasi

Yang digunakan hanyalah tahap umpan maju saja.

1. Algoritma Pelatihan

Inisialisasi bobot-bobot.

Tentukan pula nilai toleransi erroratau nilai ambang (bila menggunakan nilai

ambang sebagai kondisi berhenti); atau set maksimal epoch (bila

menggunakan banyaknya epoch sebagai kondisi berhenti).

1. Whilekondisi berhenti tidak terpenuhi dolangkah ke-2 sampai langkah ke-9.

2. Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3 sampai langkah

ke-8.

A.

Tahap Umpan Maju

3. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input)

mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya (ke

lapisan tersembunyi)

4. Pada setiap unit di lapisan tersembunyi zj (dari unit ke-1 sampai unit ke-p;

i=i,,n; j=,...,p) sinyal output lapisan tersembunyinya dihitung dengan

menerapkan fungsi ativasi terhadap penjumlahan sinyal-sinyal input berbobot

xi:

kemudian dikirim ke semua unit di lapisan atasnya.

5.

Setiap unit di lapisan output yk (dari unit ke-1 sampai unit ke-m; i=1,...,n;

k=1,,m) dihitung sinyal outputnya dengan menerapkan fungsi aktivasi

terhadap penjumlahan sinyal-sinyal input berbobot zjbagi lapisan ini:

B. Tahap Pemropagasibalikan Error

6. Setiap unit output yk (dari unit ke-1 sampai unit ke-m; i=1,,p; k=1,.,m)

menerima pol target tklalu informasi kesalahan lapisan output (k) dihitung. k

dikirim ke lapisan di bawahnya dan digunakan untuk mengitung besar koreksi


21/50

bobot dan bias (wjk dan w0k) antara lapisan tersembunyi dengan lapisan

output:

wjk= kzj

w0k= k

7.

Pada setiap unit di lapisan tersembunyi (dari unit ke-1 sampai unit ke-p;

i=1,,n; j=1,,p; k=1,,m) dilakukan perhitungan informasi kesalahan

lapisan tersembunyi (j). j kemudian digunakan untuk menghitung besar

koreksi bobot dan bias (wjk dan w0k) antara lapisan input dan lapisan

tersembunyi.

vij= jxi

v0j= j

C. Tahap Peng-update-an Bobot dan Bias

8. Pada setiap unit output yk(dari unit ke-1 sampai unit ke-m) dilakukan peng-

update-an bias dan bobot (j=0,,p; k=1,,m) sehingga bias dan bobot baru

menjadi: wjk(baru) = wjk(lama) + wjk

Dari unit ke-1 sampai unit ke-p di lapisan tersembunyi juga dilakukan

peng-update-an pada bias dan bobotnya (i=0,,n; j=1,,p):

vij(baru) = vij(lama) + vij

9. Tes kondisi berhenti.

2. Algoritma Aplikasi

Inisialisasi bobot.Bobot ini diambil dari bobot-bobot terakhir yang diperoleh

dari algoritma pelatihan.


22/50

1. Untuk seitap vektor input, lakukanlah langkah ke-2 sampai ke-4.

2. Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input;

i=1,,n) menerima sinyal input pengujian xi dan menyiarkan sinyal x i ke

semua unikt pada lapisan di atasnya (unit-unit tersembunyi).

3. Setiap unit di lapisaan tersembunyi zj (dari unit ke-1 sampai unit ke-p;

i=1,,n; j=1,.,p) menghitung sinyal outputnya dengan menerapkan fungsi

aktivasi terhadap penjumlahan sinyal-sinyal input xi. Sinyal output dari lapisan

tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya:

4.

Setiap unit output yk (dari unit ke-1 sampai unit ke-m; j=1,,p; k=1,,m)

menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap

penjumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input zj

dari lapisan tersembunyi:

2.5.1 Fungsi Aktifasi

Pilihan fungsi aktivasi yang dapat digunakan pada metode propagasi balik yaitu fungsi

sigmoid biner, sigmoid bipolar dan tangent hiperbolik.Karakteristiki yang harus miliki

fungsi aktivasi tersebut adalah kontinu, diferensiabel dan tidak menurun secara

monoton.Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan

minimum secara asimtot) (Puspitaningrum, 2006).

1. Fungsi Sigmoid Biner

Fungsi ini merupakan fungsi yang umum digunakan. Rentang-nya adalah (0,1) dan

didefenisikan sebagai :


23/50

dengan turunan :

( ) Fungsi sigmoid biner diilustrasikan pada gambar 2.2.

Gambar 2.2 Fungsi sigmoid biner dengan rentang(0,1) (Puspitaningrum, 2006)

2.5.2 Inisialisasi Bobot dan Bias

Cepat atau tidaknya pembelajaran pada pelatihan jaringan propagasi balik salah

satunya dipengaruhi oleh nilai bobot antar neuron dan nilai bias. Semakin baik

inisialisasi bobot dan bias semakin cepat pula pembelajaran jaringan propagasi balik.

Bobot dan bias pada jaringan propagasi balik dapat dinisialisasi dengan berbagai cara

seperti inisialisasi acak, nguyen-widrow dan lain-lain (Putra, 2012).

1.

Inisialisasi Acak

Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot, baik

dari unit input ke unit tersembunyi maupun dari unit tersembunyi ke unit

output secara acak dalam sebuah interval tertentu (- dan ), misalnya antara -

0.4 sampai 0.4, -0.5 sampai 0.5, dan -1 sampai 1 (Puspitaningrum, 2006).


24/50

2. Inisialisasi Nguyen Windrow

Waktu pembelajaran jaringan propagasi balik yang bobot dan biasnya

diinisalisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibandingkan biladiinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow,

inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan

bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unit-

unit input ke unit-unit tersembuyi digunakan bias dan bobot yang khusus

diskala agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan

kemampuan belajar dari unit-unit tersembunyi dapat meningkat.

Faktor skala Nguyen-Widrow () didefenisikan sebagai :

di mana :

n = banyak unit input

p = banyak unit tersembunyi

= faktor skala

Prosedur inisialisasi Nguyen-Widrow

Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p :

1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi (j = 1, ,

p) dengan cara :

a. Menentukan bobot-bobot antara unit input ke unit tersembunyi (vij) :

vij(lama) = bilangan acak antara - dan

di mana i = 1, , n.

b. Menghitung ||vij ||.

c.

Menginisialisasi kembali vij :

2. Menentukan bias antara unit input ke unit tersembuni (j = 1, , p). voj diset

dengan bilangan acak yang terletak pada skala antara - dan .

2.5.3 Pengupdate Bobot dengan Momentum


25/50

Penambahan parameter momentum dalam mengupdate bobot seringkali bisa

mempercepat proses pelatihan. Ini disebabkan karena momentum memaksa proses

perubahan bobot terus bergerak sehingga tidak terperangkap dalam minimum-

minimum lokal. Pengupdatean bobot pada proses pelatihan jaringan yang biasa adalah

sebagai berikut :

wjk= kzj

vij= jxi

Jika error tidak terjadi (output actual telah sama dengan output target) maka k

menjadi nol dan hal ini akan menyebabkan koreksi bobot wjk= 0, atau dengan kata

lain pengupdatean bobot berlanjut dalam arah yang sama seperti sebelumnya.

Jika parameter momentum digunakan maka persamaan-persamaan pengupdatean

bobot dengan langkah pelatihan t, dan t+1 untuk langkah pelatihan selajutnya,

mengalami modifikasi sebagai berikut :

wjk(t + 1) = kzj+ wjk(t)

vij(t + 1) = jxi+ vij(t)

dengan adalah parameter momentum dalam range antara 0 sampai 1.


26/50

BAB 3

ANALISIS DAN PERANCANGAN

Pada bab ini dibahas tentang bagaimana proses sistem jaringan saraf tiruan dengan

menggunakan metode propagasi balik untuk pengenalan tulisan tangan berbentuk

huruf jawi (arab melayu) dan membahas tentang analisis kebutuhan sistem tersebut

beserta perancangan sistemnya. Pada tahap perancangan sistem yang dilakukan adalah

mentransformasikan model analisis ke model perancangan.

3.1 Analisis Data Sistem

Data dan sampel yang akan digunakan adalah tulisan tangan yang berbentuk

huruf jawi (arab melayu) ditulis dikertas putih dengan tinta berwarna hitam. Setelahpengambilan data, data tersebut di scan, setelah itu hasil scannernya di simpan dalam

bentuk folder jpeg.

Untuk melakukan pengenalan tulisan tangan berbentuk huruf jawi (arab

melayu)menggunakan jaringan saraf tiruan harus melalui tahapan-tahapan tertentu

sehingga dapat menjadi masukan yang baik bagi jaringan saraf tiruan. Jumlah data

yang diambil sebanyak 12 pola tulisan tangan berbentuk huruf arab melayu (jawi) dari

12 orang, 1 orang terdiri dari 7 kata (kata yang diambil adalah nama-nama hari).

3.2 Pra - Pengolahan Citra

Sebelum ketahapan jaringan saraf tiruan, terlebih dahulu data yang telah diambil

dilakukan proses prapengolahan citra. Pada sistem ini prapengolahan yang dilakukan

adalah binarization, normalisasi, thinning dan feature extraction.


27/50

Gambar 3.1 Tahapan Pra-Pengolahan citra

a) Pembentukan Matriks Biner (Binarization)

Matriks biner citra ini menghasilkan citra hitam putih yang bersih dari tingkat

keabun (grayscale), atau dengan kata lain metode ini mengonversi citra gray-

levelke citra bilevel(binary image). Pada tahap ini setiap nilai pixel RGB akan

diambil nilai rata-ratanya untuk kemudian dicek, jika nilai yang dihasilkan

kurang dari nilai threshold yang dihasilkan maka nilai pixel tersebut diubah

menjadi warna hitam, sebaliknya jika lebih besar dari nilai konstan maka akan

diubah menjadi warna putih (Khairunnisa, 2012).

Jika citra dari nilai pixel pada koordinat (x,y) berwarna hitam maka

nilai matriks biner pada baris i dan kolom j adalah 1, dan sebaliknya 0. Adapun

diagram alir proses dari matriks biner ini dapat dilihat pada gambar 3.2 :


28/50

Mulai

Inisialisasitinggi, lebar

x= 0

y = 0

y < tinggi

x < lebar

Nilai rata-rata

(x,y) = (R + G +

B) /3

ya

(x,y) < T Matriks[y][x] = 1Matriks[y][x] = 0 tidak ya

tidak

Selesai tidak

ya

x= x + 1

y = y + 1

Gambar 3.2 Matriks Biner

b) Normalisasi

Ukuran citra yang telah di crop berbeda-beda sehingga belum bisa digunakan

sebagai masukan standar untuk diektraksi. Citra tersebut haruslah

dinormalisasi terlebih dahulu yaitu dengan menggunakan ukuran citra yang

sesuai untuk diekstrakkan yaitu 300x170 pixel. Contoh citra hasil pemotongan

yang dinormalisasi dapat dilihat pada Gambar 3.3.


29/50

Gambar 3.3. hasil citra normalisasi, (a) citra RGB, (b) citra hasil normalisasi

c) Pembentukan Matriks Tulang (Thinning)

Tahapan selanjutnya adalah mengunakan proses thinning. Proses thinning

dilakukan supaya mendapatkan kerangka dari objek karakter pada citra dapat

diproses. Proses thinning ini bertujuan membentuk matriks dari citra tulisan

tangan yang kebetulan garisnya 1 pixel. Algoritma yang dipakai dalam proses

thinning ini adalah algoritma ZhangSuen yang belum dimodifikasi (Zhang &

Suen, 1984).

Algoritma Zhang-Suen ini menggunakan metode paralel yang mana

nilai baru bagi setiap pixel dihasilkan dari nilai pixel pada iterasi sebelumnya.

Hasil citra yang telah diubah menggunakan proses thinningdapat dilihat pada

Gambar 3.4.

Gambar 3.4. citra hasil thinning, (a) citra normalisasi, (b) citra thinning

a. b.

b.a.


30/50

3.3 Fitur Ekstraksi (Feature Extraction)

Pada tahapan fitur ekstraksi dilakukan agar nilai yang telah dinormalisasikan dapat

membentuk sebuah nilai fitur agar mendapatkan nilai-nilai unik dari citra yang telah

mengalami proses prapengolahan citra sebelumnya. Setiap data hasil ekstraksi fitur

harus benar-benar dapat mewakili karakteristik atau keunikan dari data tersebut. oleh

karena itu diperlukan suatu cara bagaimana agar dapat mendapatkan nilai-nilai unik

dari data tersebut sebab data yang ingin dianalisis oleh jaringan saraf tiruan harus

direpsentasikan dengan baik ke dalam bentuk numerik ataupun biner.

Pada tahap ini, citra yang berukuran 300x170 piksel dibagi menjadi 30 kolom

dan 17 kolom dengan masing-masing kolom terdapat 10 piksel. Proses ekstraksi fitur

menggunakanzonning dapat dilihat pada gambar 3.5.

Gambar 3.5. Diagram ekstraks fitur


31/50

3.4 Metode Ekstraksi Zoning

Metode zining dapat dibagi menjadi 3 proses, yaitu:

1.

Hitung jumlah piksel hitam setiap zona dari Z1 sampai Z510.

2. Tentukan zona yang memiliki jumlah piksel hitam paling tinggi.

3. Hitung nilai fitur setiap zona dari Z1 sampai Z510.

Yaitu menggunakan rumus :

Nilai fitur Zn = Zn / Ztertinggi

dimana 1 n 510

Nilai fitur didapatkan dengan melakukan perbandingan jumlah piksel hitam dari

satu zona dengan zona yang didapatkan dari proses no 2.

Flowchart dari proses ekstraksizoningdapat dilihat pada gambar 3.6.


32/50

Start

y0

ky

lx

img(l, k) = 0

piksel_zona[y/10][x/10]

piksel_zona[y/10][x/10] + 1

Yes

y < tinggi

x0

x < lebar

Yes

y0

No

yy + 10

xx + 10

Yes

k < y + 10kk + 1

Yes

l < x + 10 ll + 1

Yes

No

No


>

piksel_zona_max

No

piksel_zona_max


Yes

No

No

y < ZONA_T

x0

x < ZONA_L

Yes

piksel_zona[y][x]

piksel_zona[y][x] /

piksel_zona_max

Yes

xx + 1

yy + 1

No

EndNo

Inisialisasi

ZONA_L 30, ZONA_T17

img (hasil Thinning)tinggiimg(height), lebarimg(width)

piksel_zona[ZONA_T][ZONA_L]0.0

piksel_zona_max 0.0

x, y, k, l

Gambar 3.6.flowchart ekstraksi fitur zoning


33/50

Gambar 3.7 Pembagian zona menjadi 30 kolom dengan 17 baris, masing-masing

zona berukuran 10x10 piksel.

3.5 Tahap Setelah Ekstraksi Fitur

Setelah melakukan tahapan ekstraksi fitur dan tahapan berikutnya yaitu klasifikasi

dengan menggunakan jaringan saraf tiruan propagasi balik. Dalam tapahan ini

terdapat dua proses yaitu proses pelatihan dan proses pengujian. Pada proses pelatihan

dilakukan pelatihan jaringan saraf tiruan dengan menggunakan nilai fitur yang didapat

dari data yang dilatih. Sebelum data digunakan, terlebih dahulu datanya harus sudah

dilatih. Setelah proses pelatihan, masuk ke proses pengujian yaitu dengan

menggunakan nilai fitur yang didapatkan dari data yang diuji. Jaringan harus

dirancang terlebih dahulu sebelum data di latih dan diuji.

3.6 Perancangan Jaringan Propagasi Balik

Jaringan yang dirancang dalam penelitian ini adalah jaringan propagasi balik.

Arsitektur jaringan saraf tiruan terdiri dari lapisan input (input layer), lapisan

tersembunyi (hidden layer) dan lapisan output (output layer).

Berdasarkan perancangan isi atas jaringan saraf tiruan yang dibangun pada

penelitian ini dapat dilihat pada gamabar 3.8


34/50

Gambar 3.8 Arsitektur Jaringan Saraf Tiruan

Berdasarkan gambar 3.8, rincian rancangan arsitektur jaringan saraf tiruan

yang digunakan adalah :

1. 1 lapisan input. Lapisan input terdiri dari unit-unit input mulai dari unit input 1

sampai unit input i, dimana i= 510.

2. 1 lapisan tersembunyi. Lapisan tersembunyi terdiri dari unit-unit tersembunyi

mulai dari unit tersembunyi 1 sampai unit tersembunyij, dimanaj= 96.

3. 1 lapisan output. Lapisan output terdiri dari unit-unit output mulai dari unit output

1 sampai unit output k, dimana k= 7.

4. x1 sampaix510merupakan unit-unit lapisan input,y1sampaiy7merupakan unit-unit

lapisan output danz1sampaizpmerupakan unit-unit lapisan tersembunyi.

5. b1 merupakan bias ke lapisan tersembunyi dan b2 merupakan bias ke lapisan

keluaran.

6.

v0jdan w0kmasing-masing adalah bobot bias untuk unit tersembunyi ke-jdan unit

output ke-k. vijadalah bobot koneksi antara unit ke-ilapisan input dengan unit ke-j


35/50

lapisan tersembunyi, sedangkan wjkadalah bobot koneksi antara unit ke-j lapisan

tersembunyi dengan unit ke-klapisan output.

Tabel 1. Vektor Output dan target keluaran jaringan

Vektor Output Target

10000000000000000000000000 Senin

01000000000000000000000000 Selasa

00100000000000000000000000 Rabu

00010000000000000000000000 Kamis

00001000000000000000000000 Jumat

00000100000000000000000000 Sabtu

00000010000000000000000000 Minggu

3.6.1 Proses Pelathan

Prose pelatihan dilakukan agar dapat melatih jaringan yang akan dapat mengenali

huruf jawi (arab melayu) tulisan tangan baik yang dilatih ataupun yang tidak

dilatihkan dengan menggunakan jaringan saraf tiruan propagasi balik. Bertujuan untuk

mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap

masukan yang dipakai untuk pelatihan jaringan (memorisasi) dan kemampuan

memberikan tanggapan yang benar untuk masukan yang sejenis namun tidak identik

dengan yang dipakai pada pelatihan.

Proses pelatihan terdiri dari 3 tahap. Tahap yang pertama yaitu tahap umpan maju

pola yang digunakan untuk mencari nilai lapisan tersembunyi dan nilai lapisan

keluaran menggunakan aktivasi yang ditentukan. Tahap yang kedua adalaha tahap

mundur, jika hasil keluaran tidak sesuai dengan target maka dilakukan propagasi balik

untuk mendapatkan nilai error yang ada di lapisan keluaran dan lapisan tersembunyi.

Tahap yang ketiga adalah memperbaharu nilai bobot yang ada dilapisan tersembunyi

dan lapisan masukkan untuk menentukan erroryang terjadi. Setelah itu lakukan lagi

umpan maju dan propagasi balik jika nilai keluarannya tidak sesuai dengan nilai yang


36/50

ditargetkan. Proses ini dilakukan secara berulang kali sampai mendapatkan batasan

error yang ditentukan dari jaringan.

3.6.2 Proses Pengujian

Proses pengujian adalah menguji jaringan yang telah dilatih untuk mengenali data uji

maupun tidak digunakan pada tahapan pelatihan jaringan. Jaringan diharapkan dapat

mengenali huruf-huruf jawi (arab melayu) yang terdapat pada data uji. Pada proses

pengujian hanya mnggunakan tahap umpan maju untuk mencari nilai keluaran lapisan

tersembunyi dan lapisan keluaran.

Ketika jaringan diuji dengan menggunakan data pelatihan, yang diuji adalah

kemampuan memorisasi jaringannya, sebab kasus-kasusyang dimasukkan telah

dipelajari sebelumnya. Dan sebaliknya, pada saat jaringan diuji dengan menggunakan

data baru, yang diuji adalah kemampuan generalisasi jaringannnya.


37/50


38/50

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan diuraikan tahapan selanjutnya dalam pengembangan softwareyaitu

tahap implementasi dan pengujian sistem. Di sini akan dijelaskan tentang prosespengimplementasian algoritma ke dalam sistem dan melakukan pengujian dari

softwareyang dikembangkan.

4.1. Implementasi

Data yang telah dikenali pada bab sebelumnya haruslah diimplementasikan ke dalam

kode pemrograman agar dapat dilakukan pengujian untuk mengetahui kemampuan

kombinasi metode zoning. Pada penelitian ini pemrograman yang digunakan adalah

bahasa pemrograman java. Pada bab sebelumnya telah dibahas tentang cara kerja

sistem yang dibangun dengan mnggunakan jaringan saraf tiruan.

Pengkodean dilakukan menjadi 5 modul utama, yaitu :

1. Modul prapengolahan citra

Merupakan modul untuk melaksakan semua proses prapengolahan citra dan

melaksanakan proses ekstraksi fitur.

2.

Modul inisialisasi

Merupakan model untuk melaksanakan inisialisasi bobot awal.

3. Modul pelatihan jaringan

Merupakan modul untuk melaksanakan proses pelatihan jaringan propagasi balik.

4. Modul pengujian jaringan

Merupakan modul untuk melaksanakan proses pengujian jaringan propagasi balik

yang telah dilatihkan.


39/50

5.

Modul program utama

Merupakan modul untuk menjalankan modul prapengolahan citra, pelatihan

jaringan dan pengujian jaringan.

4.2. Spesifikasi Perangkat Keras dan Perangkat Lunak yang digunakan

Spesifikasi perangkat lunak dan perangkat keras yang digunakan untuk membut

sistemnya adalah sebagai berikut:

1. Processor Pentium Intel Core i3-2310M

2.

Kapasitas harddiks 500GB.

3. Memory RAM yang digunakan 2.00GB.

4. Sistem operasi Microsoft Windows 7.

5.

Tools dari Java.

6. Printer canon MP198.

4.3. Pengujian

Setelah melakukan tahap implementasi maka dilakukan tahap pengujian

kemampuanmetodezoningpada jaringan saraf tiruan untuk pengenalan tulisan tangan

huruf jawi (arab melayu). Untuk mengetahui seberapa tingkat kecocokannya dengan

metode tersebut, dibangunsebuah jaringan dengan menggunakan metode zoning.

Jaringan yang menggunakan metodezoningmenggunakan 510 nilai fitur.

4.4. Persiapan Sistem Jaringan Saraf Tiruan

Ketika jaringan tersebut memiliki lapisan tersembunyi dan lapisan keluaran yang sama

yaitu 96 neuron lapisan tersembuni dan 7 neuron lapisan keluaran. Lapisan masukan

sesuai dengan metode ekstraksi yang digunakan yaitu zoning(510 neuron masukan).

Jaringan tersebut dilatih dengan menggunakan data latihan dengan paramter pelatihan,

yaitu learning rate: 0.5, momentum 0.5. Data latihan dapat dilihat pada lampiran B.


40/50


41/50

4.5. Hasil Pengujian

Setelah jaringan tersebut dilatih kemudian jaringan dilakukan pengujian pada tingkat

pencocokan dari jaringan tersebut. Pengenalan diuji dengan menggunakan data ujiyaitu data baru yang tidak digunakan pada tahap pelatihan. Data yang digunakan

untuk pengujian adalah 21 pola kata (Lampiran B).

Pengujian dilakukan dengan menggunakan pemrograman java. Dengan

menggunakan contoh sebagai berikut:

Input : Masukkan nama file gambar yang ingin diuji. Seperti pada gambar 4.1

Gambar 4.1.input citra pengujian

Output : Sistem akan mengenali file gambar yang diuji sesuai dengan karakternya.

Seperti pada gambar 4.2

Gambar 4.2.Output citra pengujian

Hasil dari citra algoritmazoningdapat dilihat pada gambar 4.3

Gambar 4.3Hasil citra algoritmazoning.


42/50

4.6. Hasil Pelatihan Jaringan Saraf Tiruan

Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan kepada jaringan pola-

pola tulisan huruf yang ada sehingga diharapkan jaringan dapat mengenali pola-polatulisan baru yang diberikan. Pada tahap pelatihan ini ditampilkan beberapa kombinasi

lapisan tersembunyi, learning rate, momentum yang berbeda-beda. Hasil pelatihan

jaringan saraf tiruan propagasi balik dapat dilihat pada tabel 4.1.

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik

Input Learning

Rate

Momentum Epoch Tingkat

Kecocokan

Output

Senin1 0,5 0,5 100 88,93% SeninSenin1 0,4 0,2 1000 88,83% Senin

Senin1 0,1 0,1 10 87,95% Senin

Senin1 0,1 0,4 200 87,89% Senin

Senin1 0.4 0.4 2000 88,68% Senin

Senin1 0,1 0,1 120 87,92% Senin

Senin2 0,1 0,1 120 87,54% Senin

Senin2 0,1 0,1 1000 87,22% Senin

Senin2 0,7 0,4 1000 89,02% Senin

Senin2 0,9 0,9 10 89,95% Senin

Senin2 0,9 0,6 30 89,54% SeninSenin2 0,9 0,9 90 89,99% Senin

Senin2 0,5 0,5 100 90.00% Senin

Senin3 0,1 0,1 10 88,22% Senin

Senin3 0,5 0,5 100 89,99% Senin

Senin3 0,7 0,7 1000 89,74% Senin

Senin4 0,5 0,5 100 89,99% Senin

Senin4 0,4 0,9 100 89,94% Senin

Tabel 4.1 Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik (Lanjutan)

input Learningrate

Momentum Epoch TingkatKecocokan

Outpu

Senin5 0,2 0,2 800 88,07% Senin

Senin5 0,5 0,5 100 89,26% Senin

Senin6 0,5 0,5 100 90,00% Senin

Senin7 0,1 0,1 10 87,59% Senin

Senn7 0,5 0,5 100 89,25% Senin

Senin8 0,2 0,4 10 88,54% Senin

Senin8 0,3 0,7 100 89,21% Senin

Senin8 0,5 0,5 100 89,99% Senin

Senin9 0,5 0,5 100 89,19% Senin

Senin10 0,5 0,5 100 88,90% Senin

Senin11 0,5 0,5 100 89,09% Senin


43/50

Senin12 0,5 0,5 100 89,99% Senin

Selasa1 0,5 0,5 100 89,09% Selasa

Selasa2 0,5 0,5 100 88,95% Selasa

Selasa3 0,5 0,5 100 89,05% Selasa

Selasa4 0,5 0,5 100 89,01% SelasaSelasa5 0,5 0,5 100 89,11% Selasa

Selasa6 0,5 0,5 100 89,06% Selasa

Selasa7 0,5 0,5 100 89,01% Selasa

Selasa8 0,5 0,5 100 89,02% Selasa


Input Learning

rate


Kecocokan

Output

Selasa9 0,5 0,5 100 89,07% Selasa

Selasa10 0,5 0,5 100 89,16% Selasa

Selasa11 0,5 0,5 100 88,90% Selasa

Selasa12 0,5 0,5 100 89,23% Selasa

Rabu1 0,5 0,5 100 89,49% Rabu

Rabu2 0,5 0,5 100 89,29% RabuRabu3 0,5 0,5 100 89,06% Rabu

Rabu4 0,5 0,5 100 89,13% Rabu

Rabu5 0,5 0,5 100 89,49% Rabu

Rabu6 0,5 0,5 100 89,18% Rabu

Rabu7 0,5 0,5 100 88,82% Rabu

Rabu8 0,5 0,5 100 89,08% Rabu

Kamis9 0,5 0,5 100 89,21% Kamis

Kamis10 0,5 0,5 100 88,94% Kamis

Kamis11 0,5 0,5 100 89,20% Kamis

Kamis12 0,5 0,5 100 89,31% Kamis

Jumat1 0,5 0,5 100 88,89% JumatJumat2 0,5 0,5 100 89,20% Jumat

Jumat4 0,5 0,5 100 89,17% Jumat

Jumat5 0,5 0,5 100 89,07% Jumat

Jumat6 0,5 0,5 100 89,04% Jumat


Input Learning Momentm Epoch Tingkat Output


44/50

rate Kecocokan

Jumat7 0,5 0,5 100 89,02% Jumat

Jumat8 0,5 0,5 100 89,35% Jumat

Jumat9 0,5 0,5 100 89,05% Jumat

Jumat10 0,5 0,5 100 89,44% JumatJumat11 0,5 0,5 100 88,96% Jumat

Jumat12 0,5 0,5 100 89,21% Jumat

Sabtu1 0,5 0,5 100 89,40% Sabtu

Sabtu2 0,5 0,5 100 89,35% Sabtu

Sabtu3 0,5 0,5 100 89,54% Sabtu

Sabtu4 0,5 0,5 100 89,36% Sabtu

Sabtu5 0,5 0,5 100 89,13% Sabtu

Sabtu6 0,5 0,5 100 89,58% Sabtu

Sabtu7 0,5 0,5 100 89,22% Sabtu

Sabtu8 0,5 0,5 100 89,08% Sabtu

Sabtu9 0,5 0,5 100 89,16% SabtuSabtu10 0,5 0,5 100 89,46% Sabtu

Sabtu11 0,5 0,5 100 89,41% Sabtu

Sabtu12 0,5 0,5 100 89,71% Sabtu

Minggu1 0,5 0,5 100 89.99% Minggu

Minggu2 0,5 0,5 100 89,23% Minggu

Minggu3 0,5 0,5 100 89,34% Minggu

Input Learning

rate


Kecocokan

Output

Mingggu4 0,5 0,5 100 89,00% Minggu

Minggu5 0,5 0,5 100 89,04% Minggu

Minggu6 0,5 0,5 100 89,09% Minggu

Minggu7 0,5 0,5 100 88,90% Minggu

Minggu8 0,5 0,5 100 88,92% Minggu

Minggu9 0,5 0,5 100 88,98% Minggu

Minggu10 0,5 0,5 100 89,08% Minggu

Minggu11 0,5 0,5 100 89,40% Minggu

Minggu11 0,4 0,4 200 88,50% Minggu

Minggu12 0,4 0,4 200 88,64% Minggu

Minggu12 0,5 0,5 100 88,98% Minggu


45/50

4.7. Hasil Pengujian Jaringan Saraf Tiruan

Pada tahap pengujian dilakkan pengujian dengan menggunakan 21 pola. Hasil

pengujian dapat dilihat pada tabel 4.2. nilai pengujian dan pelatihan didapat daripenghitungan sebagai berikut :

Untuk Pelatihan

()

Untuk pengujian

()

Tabel 4.2 Hasil Pengujian Jaringan Saraf Tiruan Propagasi Balik.

Input Learning

Rate


Kecocokan

Output

Senin13 0,5 0,5 100 89,99% Senin

Senin14 0,5 0,5 100 88,88% Senin

Senin15 0,5 0,5 100 89,24% Senin

Selasa13 0,5 0,5 100 89,33% Selasa

Selasa14 0,5 0,5 100 89,12% Selasa

Selasa15 0,5 0,5 100 88,91% Selasa

Rabu13 0,5 0,5 100 89,02% Rabu

Rabu14 0,5 0,5 100 89,02% Rabu

Rabu15 0,5 0,5 100 88,91% Rabu

Kamis13 0,5 0,5 100 89,16% Kamis

Kamis14 0,5 0,5 100 89,36% Kamis

Kamis15 0,5 0,5 100 88,91% Kamis

Jumat13 0,5 0,5 100 88,31% Jumat

Jumat14 0,5 0,5 100 89,19% Jumat

Jumat15 0,5 0,5 100 89,25% Jumat

Sabtu13 0,5 0,5 100 88,72% Sabtu

Sabtu14 0,5 0,5 100 88,66% Sabtu

Sabtu15 0,5 0,5 100 88,63% Sabtu

Minggu13 0,5 05, 100 89,70% Minggu

Minggu14 0,5 0,5 100 89,34% Minggu

Minggu15 0,5 0,5 100 89,59% Minggu


46/50

Daritabel 4.1 didapatkan tingkat pengenalannya 86.87% dengan learning rate 0,5,

momentum 0,5 dan epoch 100. Sedangkan dari tabel 4.2 didapatkan tingkat

pengenalannya 89.05% dengan learning rate 0,5, momentum 0,5 dan epoch 100.


47/50


48/50

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil analisis dan pengujian pada bab bab sebelumnya, dapat diambilkesimpulannya

1.

Jaringan saraf tiruan propagasi balik yang telah dilatih dengan data pola kata

(nama-nama hari) dapat digunakan untuk mengenali tulisan tangan dengan

bentuk hurub jawi (arab melayu).

2. Pada pelatihan dengan menggunakan learning rate 0,5, momentum 0,5 dan

epoch 100 didapatkan hasil 86.87 %.

3.

Dari hasil pengujian diperoleh dengan learning rate sebesar 0.5, momentum

sebesar 0,5 dan epoch 100 didapatkan hasil 89.05%.

4. Semakin tinggi learning ratedan momentumnya maka semakin sedikit epoch

yang diperlukan jaringan untuk mencapai solusi tersebut. Semakin tinggi

tingkat kecocokannya maka semakin rendah tingkat keerrorannya.

5. Dari hasil pengujian yang dilakukan dicapai tingkat pengenalan sebesar

89.05% dengan menggunakan metodezoning.

5.2. Saran

yang digunakan hanya dilatih hingga mencapai batas error0.32. Setelah melakukan

pelatihan nilai error yang dicapai belum tentu merupakan nilai minimum. Maka untuk

pelatihan selanjutna perlu dilakukan hingga mendapatkan tingkat yang lebih baik lagi.


49/50

DAFTAR PUSTAKA

Bosker, M. 1992.Omnidocument Technologies.Proceeding of the IEEE.80

: 1066-1078.

Emanuel, A. W. J. dan Hartono, A.Juni 2008.Pengembangan Aplikasi Pengenalan

Karakter Alfanumerik Dengan Menggunakan Algoritma Neural Network Three-

Layer Backpropagation.Jurnal. Bandung, Indonesia : Universitas Kristen

Maranatha.

Graupe, D. 2007. Principles of Artificial Neural Networks (2nd edition). Chicago:

World Scientific.

Haryando, E. D. dan Susanto, L. W. 2011.Penerapan Jaringan Saraf Tiruan metode

Propagasi Balik Dalam Pengenalan Tulisan Tangan Huruf JepangJenis

Hiragana dan Katakana.Jurnal. Bandung, Indonesia : Universitas Kristen

Maranatha.

Khairunnisa. 2012.Pengenalan Tulisan Tangan Bersambung Menggunakan Jaringan

Saraf Tiruan Propagasi Balik. Sekripsi. Medan, Indonesia: Universitas

Sumatera Utara.

Kusumadewi, S. (2003).Artificial Intelligence (Teknik dan Aplikasinya).1 Januari

2003.Penerbit Graha Ilmu Yogyakarta.

Pardede, J. 2001. Studi Perbandingan Beberapa Algortima Thinning Dalam

Pengenalan Pola.Skripsi. Medan: Universitas Sumatera Utara.


50/50

40

Prakoso, T. dkk.Pengenalan Pola Huruf arab Tulis Tangan Menggunakan JAringan

Saraf Tiruan dengan MEtode Perambatan Balik.Jurnal. Semarang, Indonesia :

Universitas Diponegoro.

Plamondon, R. & Srihari, S.N. 2000. On-line and off-line handwriting recognition: a

comprehensive survey. IEEE Transactions on Pattern Analysis and Machine

Intelligence22(1): hal. 63-84.

Puspitaningrum, D. 2006.Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.

Putra, D. 2009. Sistem Biometrika Konsep Dasar, Teknik Analisis Citra, dan Tahapan

Membangun Aplikasi Sistem Biometrika. Yogyakarta: Andi.

Putra, N. 2012. Peningkatan Nilai Fitur Jaringan Popagasi Balik Pada Pengenalan

Angka Tulisan Tangan Menggunakan Metode Zoning dan Diagonal Based

Feature Extraction.Skripsi. Medan, Indonesia: Universitas Sumatera Utara.

Safitri, I. 2010. Penggunaan Jaringan Saraf Tiruan untuk Pengklasifikasian Status

Gizi. Skripsi. Malang, Indonesia : Universitas Islam Negri Maulana MAlik

Ibrahim: Malang.

Solomon, C & Breckon, T. 2011.Fundamentals of Digital Image Processing A

Practical Approach with Examples in Matlab. UK: John Wiley & Sons, Inc.

Swastika, W. 2009.Pengenalan karakter dengan menggunakan artificial nueral

network.PC Media 9: hal. 120.

yayuk anggraini

Documents